تاريخ هوش مصنوعي
   هوش مصنوعي به خودي خود علمي است کاملاً جوان. در واقع بسياري شروع هوش مصنوعي را 1950 مي‌ دانند زماني که آلن تورينگ مقاله دوران‌ساز خود را در باب چگونگي ساخت ماشين هوشمند نوشت (آنچه بعدها به تست تورينگ مشهور شد) تورينگ درآن مقاله يک روش را براي تشخيص هوشمندي پيشنهاد مي‌کرد. اين روش بيشتر به يک بازي شبيه بود.
  فرض کنيد شما در يک سمت يک ديوار (پرده يا هر مانع ديگر) هستيد و به صورت تله تايپ باآن سوي ديوار ارتباط داريد و  شخصي از آن سوي ديوار از اين طريق با شما در تماس است. طبيعتاً يک مکالمه بين شما و شخص آن سوي ديوار مي‌تواند صورت پذيرد. حال اگر پس از پايان اين مکالمه، به شما گفته شود که آن سوي ديوار نه يک شخص بلکه (شما کاملاً از هويت شخص آن سوي ديوار بي‌خبريد) يک ماشين بوده که پاسخ شما را مي‌داده، آن ماشين يک ماشين هوشمند خواهد بود، در غير اين صورت(يعني در صورتي که شما در وسط مکالمه به مصنوعي بودن پاسخ پي ببريد) ماشين آن سوي ديوار هوشمند نيست و موفق به گذراندن تست تورينگ نشده است.   بايد دقت کرد که تورينگ به دو دليل کاملاً مهم اين نوع از ارتباط(ارتباط متني به جاي صوت) را انتخاب کرد. اول اين که موضوع ادراکي صوت را کاملاً از صورت مساُله حذف کند و اين تست هوشمندي را درگير مباحث مربوط به دريافت و پردازش صوت نکند و دوم اين که بر جهت ديگري هوش مصنوعي به سمت نوعي از پردازش زبان طبيعي تاکيد کند.
   در هر حال هر چند تاکنون تلاش‌هاي متعددي در جهت پياده سازي تست تورينگ صورت گرفته مانند برنامه Eliza و يا AIML   (زباني براي نوشتن برنامه‌‌‌‌هايي که قادر به chat کردن اتوماتيک باشند) اما هنوز هيچ ماشيني موفق به گذر از چنين تستي نشده است.
   همانگونه که مشخص است، اين تست نيز کماکان دو پيش فرض اساسي را در بردارد:
1ـ نمونه کامل هوشمندي انسان است.
2ـ مهمترين مشخصه هوشمندي توانايي پردازش و درک زبان طبيعي است.   درباره نکته اول به تفصيل تا بدين جا سخن گفته ايم؛ اما نکته دوم نيز به خودي خود بايد مورد بررسي قرارگيرد. اين که توانايي درک زبان نشانه هوشمندي است تاريخي به قدمت تاريخ فلسفه دارد. از نخستين روزهايي که به فلسفه(Epistemology) پرداخته شده زبان هميشه در جايگاه نخست فعاليت‌هاي شناختي قرار داشته است. از يونانيان باستان که لوگوس را به عنوان زبان و حقيقت يکجا به کار مي‌بردند تا فيلسوفان امروزين که يا زبان را خانه وجود مي‌دانند، يا آن را ريشه مسائل فلسفي مي‌خوانند؛ زبان، همواره شاُن خود را به عنوان ممتازترين توانايي هوشمندترين موجودات حفظ کرده است.   با اين ملاحظات مي‌توان درک کرد که چرا آلن تورينگ تنها گذر از اين تست متظاهرانه زباني را شرط دست‌يابي به هوشمندي مي‌داند.   تست تورينگ اندکي کمتر از نيم‌قرن هوش مصنوعي را تحت تاُثير قرار داد اما شايد تنها در اواخر قرن گذشته بود که اين مسئله بيش از هر زمان ديگري آشکار شد که متخصصين هوش مصنوعي به جاي حل اين مسئله باشکوه ابتدا بايد مسائل کم‌اهميت‌تري همچون درک تصوير (بينايي ماشين) درک صوت و… را حل کنند.به اين ترتيب با به محاق رفتن آن هدف اوليه، اينک گرايش‌هاي جديدتري در هوش مصنوعي ايجاد شده‌اند.   در سال‌هاي آغازين AI تمرکز کاملاً برروي توسعه سيستم‌هايي بود که بتوانند فعاليت‌هاي هوشمندانه(البته به زعم آن روز) انسان را مدل کنند، و چون چنين فعاليت‌هايي را در زمينه‌هاي کاملاً خاصي مانند بازي‌هاي فکري، انجام فعاليت‌هاي تخصصي حرف‌هاي، درک زبان طبيعي، و…. مي‌دانستند طبيعتاً به چنين زمينه‌هايي بيشتر پرداخته شد.
   در زمينه توسعه بازي‌ها، تا حدي به بازي شطرنج پرداخته شد که غالباً عده‌اي هوش مصنوعي را با شطرنج همزمان به خاطر مي‌آورند. مک‌کارتي که پيشتر اشاره شد، از بنيان‌گذاران هوش مصنوعي است اين روند را آنقدر اغراق‌آميز مي‌داند که مي‌گويد:
   «محدود کردن هوش مصنوعي به شطرنج مانند اين است که علم ژنتيک را از زمان داروين تا کنون تنها محدود به پرورش لوبيا کنيم.» به هر حال دستاورد تلاش مهندسين و دانشمندان در طي دهه‌هاي نخست را مي‌توان توسعه تعداد بسيار زيادي سيستم‌هاي خبره در زمينه‌هاي مختلف مانند پزشکي عمومي، اورژانس، دندانپزشکي، تعميرات ماشين،….. توسعه بازي‌هاي هوشمند، ايجاد مدل‌هاي شناختي ذهن انسان، توسعه سيستمهاي يادگيري،…. دانست. دستاوردي که به نظر مي‌رسد براي علمي با کمتر از نيم قرن سابقه قابل قبول به نظر مي‌رسد.
افق‌هاي هوش مصنوعي   در 1943،Mcclutch (روانشناس، فيلسوف و شاعر) و Pitts (رياضيدان) طي مقاله‌اي، ديده‌هاي آن روزگار درباره محاسبات، منطق و روانشناسي عصبي را ترکيب کردند. ايده اصلي آن مقاله چگونگي انجام اعمال منطقي به وسيله اجزاي ساده شبکه عصبي بود. اجزاي بسيار ساده (نورون‌ها) اين شبکه فقط از اين طريق سيگنال هاي تحريک (exitory) و توقيف (inhibitory) با هم درتماس بودند. اين همان چيزي بود که بعدها دانشمندان کامپيوتر آن را مدارهاي (And) و (OR) ناميدند و طراحي اولين کامپيوتر در 1947 توسط فون نيومان عميقاً از آن الهام مي‌گرفت.    امروز پس از گذشته نيم‌قرن از کار Mcclutch و Pitts شايد بتوان گفت که اين کار الهام بخش گرايشي کاملاً پويا و نوين در هوش مصنوعي است.   پيوندگرايي (Connectionism) هوشمندي را تنها حاصل کار موازي و هم‌زمان و در عين حال تعامل تعداد بسيار زيادي اجزاي کاملاً ساده به هم مرتبط مي‌داند.   شبکه‌هاي عصبي که از مدل شبکه عصبي ذهن انسان الهام گرفته‌اند امروزه داراي کاربردهاي کاملاً علمي و گسترده تکنولوژيک شده‌اند و کاربرد آن در زمينه‌هاي متنوعي مانند سيستم‌هاي کنترلي، رباتيک، تشخيص متون، پردازش تصوير،… مورد بررسي قرار گرفته است.
   علاوه بر اين کار بر روي توسعه سيستم‌هاي هوشمند با الهام از طبيعت (هوشمندي‌هاي ـ غير از هوشمندي انسان) اکنون از زمينه‌هاي کاملاً پرطرفدار در هوش مصنوعي است.    الگوريتم ژنيتک که با استفاده از ايده تکامل دارويني و انتخاب طبيعي پيشنهاد شده روش بسيار خوبي براي يافتن پاسخ به مسائل بهينه سازيست. به همين ترتيب روش‌هاي ديگري نيز مانند استراتژي‌هاي تکاملي نيز (Evolutionary Algorithms) در اين زمينه پيشنهاد شده اند.    دراين زمينه هر گوشه‌اي از سازو کار طبيعت که پاسخ بهينه‌اي را براي مسائل يافته است مورد پژوهش قرار مي‌گيرد. زمينه‌هايي چون سيستم امنيتي بدن انسان (Immun System) که در آن بيشمار الگوي ويروس‌هاي مهاجم به صورتي هوشمندانه ذخيره مي‌شوند و يا روش پيدا کردن کوتاه‌ترين راه به منابع غذا توسط مورچگان (Ant Colony) همگي بيانگر گوشه‌هايي از هوشمندي بيولوژيک هستند.   گرايش ديگر هوش مصنوعي بيشتر بر مدل سازي اعمال شناختي تاُکيد دارد (مدل سازي نمادين يا سمبوليک) اين گرايش چندان خود را به قابليت تعمق بيولوژيک سيستم‌هاي ارائه شده مقيد نمي‌کند.   CASE-BASED REASONING يکي از گرايش‌هاي فعال در اين شاخه مي‌باشد. بعنوان مثال روند استدلال توسط يک پزشک هنگام تشخيص يک بيماري کاملاً شبيه به CBR است به اين ترتيب که پزشک در ذهن خود تعداد بسيار زيادي از شواهد بيماري‌هاي شناخته شده را دارد و تنها بايد مشاهدات خود را با نمونه‌هاي موجود در ذهن خويش تطبيق داده، شبيه‌ترين نمونه را به عنوان بيماري بيابد.   به اين ترتيب مشخصات، نيازمندي‌ها و توانايي‌هاي CBR به عنوان يک چارچوب کلي پژوهش در هوش مصنوعي مورد توجه قرارگرفته است.
   البته هنگامي که از گرايش‌هاي آينده سخن مي‌گوييم، هرگز نبايد از گرايش‌هاي ترکيبي غفلت کنيم. گرايش‌هايي که خود را به حرکت در چارچوب شناختي يا بيولوژيک يا منطقي محدود نکرده و به ترکيبي از آنها مي‌انديشند. شايد بتوان پيش‌بيني کرد که چنين گرايش‌هايي فرا ساختارهاي (Meta –Structure) رواني را براساس عناصر ساده بيولوژيک بنا خواهند کرد.
1- Jon Mccarthy
2-NP-Complete Problems
3-Von Neumen
4-Artificial Intelligence Markup Language